AI 圈最近出了件怪事。
谷歌拼命踩油门，OpenAI 却主动踩了刹车。

9 月 2 日，谷歌发布 Gemini 3.8 Flash，六周内的第三款 Flash 模型。DeepMind 研究员姚顺宇给它的定性意味深长：对模型而言，这只是一小步；但对 RSI 来说，这是一次巨大飞跃。
几乎同一时间，OpenAI 掌门人奥特曼公开承认，公司推迟了一次前沿强化学习训练。OpenAI 历史上头一回主动暂停前沿训练。
为啥？
奥特曼的原话是：“能力进步的速度，我只能用令人敬畏来形容。我们需要更多时间让安全、对齐和安全保障跟上来。”
一边疯狂迭代，一边主动刹车，看似南辕北辙，实际指向同一个词：RSI，递归自我改进。

啥叫 RSI？通俗讲，就是让 AI 参与研发 AI。
生成算法、编写代码、设计实验、评估结果、修复错误，再把经验喂给下一代模型。模型不再只伺候用户，它开始当研究员了。
谷歌内部备忘录写得赤裸裸：
目标是逼出递归自我进化，把编程模型硬生生改造成全自动 AI 研究员。
为此，谷歌组建了 DeepMind CTO 挂帅的代码突击队，联合创始人布林亲自督战，还从 OpenAI 挖来后训练负责人 Barret Zoph。
有意思的插曲来了。
谷歌内部本来有几个 3.5 Pro 候选模型，全部被否，理由是不够强。下一代旗舰 Gemini 4 又卡在后训练阶段。阴差阳错，反倒成就了 Flash 系列的疯狂迭代。
再看 SSI，OpenAI 前首席科学家伊利亚创办的那家公司，刚拿到英伟达重大战略投资，宣布未来 12 个月算力扩张 10 倍。公告里最扎眼的一句：我们的研究已经值得大规模扩张。
没有一家在收手。
Anthropic 在融资扩建，xAI 在扩建 Colossus，Meta 在建 GW 级园区，OpenAI 的集群也没闲着。

聊几点看法吧。
第一，市场那个“2028 年资本开支见顶”的流行判断，可能抓错了变量。
现在华尔街流行一个说法：除了编程，AI 还没找到下一个万亿美元级应用，所以到 2028 年前后，AI 资本开支增速大概率见顶。
听起来很合理对吧？但 SSI 这件事戳破了它的前提。这个叙事默认，算力投入由应用需求驱动。可 RSI 时代，决定实验室砸不砸钱的第一变量变了：下一代模型是否还值得继续扩大训练。
只要答案是值得，训练就停不下来。
过去的训练是收集数据、训练、发布、结束，一锤子买卖。RSI 时代的训练是，模型 A 生成新算法，训练模型 B，模型 B 优化流程，训练模型 C，循环不止。验证一个新算法，以前跑一次，现在同时跑 1000 个版本，只留最好的那个。
算力优势直接变成研究优势，研究优势直接变成模型优势。GPU 管够的实验室，一天验证完全部方案；GPU 不够的，一天只能跑 5 个 10 个。差距就是这么拉开的。

第二，最狠的还在后面，顶尖实验室可能主动砍收入去搞训练。
知名投资人 Gavin Baker 算过一笔账。假设某实验室有 10 吉瓦算力，8 吉瓦用于推理赚钱，按每吉瓦 600 亿美元算，年化收入约 4800 亿美元。哪天研究上有了重大突破，它可能把推理压到 2 吉瓦，训练扩到 8 吉瓦，年化收入瞬间从 4800 亿跌到 1200 亿。
Baker 的判断是：他们真的可能这么干，而公开市场必须习惯这种事。
这就麻烦了。Meta、谷歌这类公司，基本面稳，基础设施投入和收入之间没有巨大冲突。前沿实验室不一样，它随时可能为了长期技术优势，亲手砍掉巨额短期收入。你按市盈率给它估值，它转头把利润全换成 GPU 了。
拿传统互联网的尺子去量前沿实验室，量的恐怕是自己的钱包。

第三，最值得玩味的，是 AI 研究员的心态变化。
Conviction 创始人 Sarah Guo 访谈过大约 250 位前沿 AI 建设者，她的观察很有意思。过去一年，越来越多顶尖研究员开始相信，具备递归自我改进能力的模型出现后，人类距离指数级智能可能只有 1 到 2 年。
可同时，两种消极情绪在蔓延。一是我做的事不重要了，模型很快就能自己做。二是唯一重要的只有算力规模，个人贡献被稀释。
人类研究员开始觉得自己多余，这个信号比任何参数都说明问题。当最懂 AI 的人开始相信“只有算力重要”，恰恰证明算力和研究能力已经绑死了。

当然，也要泼点冷水。
RSI 还没被证明能稳定带来指数级跃迁，基准测试上的提升，不等于真实研发环境里能持续自我改进。更强的智能体意味着更高的 Token 消耗、更复杂的工程，还有奥特曼都不得不踩刹车的那部分，安全。
谷歌在狂奔，OpenAI 在等安全跟上，SSI 在十倍加码。
方向出奇一致，分歧只在节奏。
当造工具的工具开始自己造自己，牌桌上的筹码就只剩一种了。谁手里攥着算力，谁才有资格决定这场游戏何时收局。